商务数据挖掘和应用案例分析.ppt

第3章聚类分析 31概述 32相似性度量 3.3k- means算法及其改进 3.4一趙聚类算法 3.5层次聚类算法 3.6神经网络方法 3.7聚类算法评价 3.8综合例子  开篇案例—百思买的客户分群 百思买( BestBuy)作为美国最大的家电及I零售连锁商,其客户细分战略( Customer Centricity)是其经营及商店定位的重要组成部分。百思买将其中心客户分为5种类型 巴利(Bary),巴茨(Buz),雷(Ray),店门( StoreFront),吉儿(Ji)。巴利是对技术很 精通的顾客,吉儿是忙于接送小孩参加各种市区文体活动的住在郊区的妈妈,巴茨 是热衷于新玩意儿的潮族,雷是对价格敏感的工薪族,店门则拥彳 企业。除5 种核心客户之外,还有单身年轻女士凯莉(Cari)和空巢一族海伦及查理( Helen Charlie)等,也是百思头感兴趣的客户类型。 百思买结合销售数据(含会员卡)以及人口分布数据,来确认每个商店是否需要侧 重于某个客户群。在其300个店中,就有40个专门定位于巴利型客户,并进行了重 新布局,在这类店中可以看到单独的家庭影院店中店,资深销售,以及便携设备专 家;吉儿型店的特色导购员可以帮主妇选择合适的数码产品;而巴茨店则有大量的 电子游戏商品。同一个店可以侧重于多个客户类型,比如吉儿型和巴利型就经常被 作为同一个店的定位。每个店的定位确定之后,相应的布局,存货,人员等,即可 相应进行调整优化 (资料来源:htp://ww. cognoschina, net/home/ space; php? uid=850do=blogid=180 利用顾客的消费行为和人口特征对客户分群是市场销中的重要手段。如何对客 户进行有效分群是聚类分析的重要研究内容。  3.1概述(1) 简单地描述,聚类( Clustering)是将数据集划分为著干相似对象組成 的多个组( group)或簇( cluster)的过程,使得同一组中对象间的相似 度最大化,不同组中对象间的相似度最小化。或者说一个簇( cluster) 就是由彼此相似的一组对象所构成的集合,不同簇中的对象通常不相 似或相似度很低 类间相似度最小化 类内相似度最大化 距离最大化) (距离最小化)  3.1概述(2) ●从机器学习的角度看,聚类是一种无监督的机器学习方法 ,即事先对数据集的分布没有任何的了解,它是将物理或 抽象对象的集合组成为由类似的对象组成的多个类的过程 。聚类方法的目的是寻找数据中:潜在的自然分组结构和 感兴趣的关系。 聚类分析中“簇”的特征 聚类所说的簇不是事先给定的,而是根据数据的相似性和距离来划分 聚的数目和结构都没有事先假定  3.1概述(3) 聚类分析的应用 聚类分析正在蓬勃发展,广泛应用于一些探索性领域如统计学与模式 分析,金融分析,市场营销,决策支持,信息检索,WEB挖掘,网络 安全,图象处理,地质勘探、城市规划,土地使用、空间数据分析, 生物学,天文学,心理学,考古学等。